Lỗi gán nhãn lĩnh vực trong dữ liệu bóng đá: khi một bản tin tòa án bị xếp nhầm thành tin thể thao

Buổi sáng thứ Ba, giữa lúc rà soát định kỳ nguồn cấp dữ liệu cho mô hình chấm điểm cầu thủ, tôi bắt gặp một dòng khiến tay tôi dừng lại trên bàn phím. Nó nằm trong thư mục được gắn nhãn 'bóng đá'. Trong đó không có đội bóng, không có cầu thủ, không có giải đấu, không có một mét cỏ nào. Đó là bản tường thuật một phiên xét xử tại tòa án chống khủng bố ở Pakistan, với hai luật sư ngồi ở ghế bị cáo. Mười bảy điểm thông tin. Không một thực thể bóng đá. Sáu thực thể pháp lý trở lên. Tôi đọc lại hai lần, rồi ba lần, vì thói quen nghề nghiệp dạy tôi rằng khi một con số trông vô lý, lỗi thường nằm ở người đọc chứ chưa chắc ở con số. Lần này thì ngược lại. Bản thân dòng dữ liệu không sai. Cái nhãn dán lên nó mới sai. Và nó đã nằm sẵn trong lưới của tôi, chờ được đếm vào một mô hình xG mà nó không hề thuộc về.

Để thấy vì sao chuyện này nghiêm trọng hơn vẻ ngoài của nó, cần nhìn vào kiến trúc phía sau mọi phòng phân tích dữ liệu bóng đá hiện đại. Không ai ngồi đọc từng bài báo một. Chúng tôi để máy làm. Một lớp thu thập quét hàng nghìn nguồn mỗi ngày. Một lớp phân loại gán cho mỗi văn bản một nhãn lĩnh vực: bóng đá, kinh tế, chính trị, pháp luật, giải trí. Một lớp trích xuất thực thể rút ra tên người, tên tổ chức, tên giải đấu, con số. Cuối cùng, lớp mô hình nhận đầu vào đã được làm sạch và biến nó thành xác suất: khả năng ghi bàn, giá trị chuyển nhượng, nguy cơ chấn thương, xu hướng phong độ.

Mỗi mắt xích đều có thể hỏng, nhưng mắt xích gán nhãn là mắt xích ồn ào nhất và ít bị soi nhất. Nó nằm ở đầu vào, nơi người ta mặc định rằng dữ liệu thô đã đúng. Một lỗi ở tầng mô hình thì lộ ra ngay khi kết quả vô lý. Một lỗi ở tầng gán nhãn thì im lặng, vì nó không làm sai một phép tính nào cả. Nó chỉ đưa nhầm nguyên liệu vào đúng cái máy. Cái máy vẫn chạy trơn tru. Đầu ra vẫn trông hợp lý. Và đó chính là chỗ nguy hiểm.

Văn bản khiến tôi dừng lại có tiêu đề 'ATC records testimonies in Imaan case', đăng trên The Express Tribune. Nội dung xoay quanh một phiên điều trần tại tòa án chống khủng bố, nơi cơ quan tố tụng ghi lời khai nhân chứng, xem xét việc dẫn giải bị cáo, và tiếp nhận các đề nghị hoãn phiên. Hai nhân vật trung tâm là Imaan Mazari và Hadi Ali Chattha, cả hai đều là luật sư. Bên cạnh họ còn có thẩm phán Sipra cùng các luật sư Khan và Janjua. Không một cái tên nào thuộc về bóng đá. Không một tổ chức nào thuộc về bóng đá. Nhưng hệ thống phân loại ở tầng đầu vào đã gán cho văn bản ấy nhãn 'bóng đá'.

Khi tôi chạy lại toàn bộ hồ sơ qua chín chiều phân tích chuyên sâu, kết quả giống nhau ở mọi dòng. Chiến thuật và kỹ thuật: không đủ thông tin. Tài chính câu lạc bộ và thị trường chuyển nhượng: không đủ thông tin. Kết quả thi đấu và chu kỳ dư luận: không đủ thông tin. Cảnh quan giải đấu và định vị đội bóng: không đủ thông tin. Luật lệ và tuân thủ: không áp dụng trong nghĩa bóng đá. Quản lý và phòng thay đồ: không đủ thông tin. Hồ sơ rủi ro: không đủ thông tin, trừ một rủi ro hệ thống. Truyền thông và kỳ vọng: không đủ thông tin. Chuỗi lan tỏa ngành bóng đá: không đủ thông tin. Mười bảy điểm thông tin, và tổng số thực thể bóng đá vẫn là số không.

Một bộ phân loại tự động không hiểu nội dung. Nó đo tần suất và cộng hưởng từ ngữ. Và tiếng Anh, ngôn ngữ của phần lớn nguồn tin quốc tế, là một cái bẫy đối với loại máy này, bởi vì cùng một từ có thể sống ở hai thế giới hoàn toàn khác nhau.

Lấy từ 'case'. Trong phòng xử án, 'case' là vụ án. Trong phòng phân tích, 'case' là ca nghiên cứu. Lấy từ 'hearing'. Ở tòa, đó là phiên điều trần. Ở sân, đó là khán giả và tiếng hò reo. Lấy từ 'challenge'. Với luật sư, đó là kháng nghị. Với trọng tài, đó là tranh chấp. Lấy từ 'provisions'. Trong luật, đó là điều khoản. Trong hợp đồng cầu thủ, cũng là điều khoản. Lấy từ 'record'. Tòa án ghi lời khai. Câu lạc bộ ghi kỷ lục.

Một bộ phân loại đọc cụm 'anti-terrorism provisions', 'indictment challenged', 'adjournment sought' và kết luận rằng văn bản thuộc về một lĩnh vực. Nếu trong tập huấn luyện của nó, từ 'challenge', 'record', 'provisions', 'hearing' xuất hiện dày đặc trong các bài về bóng đá, và chúng xuất hiện dày đặc thật, thì nó sẽ nghiêng về phía bóng đá. Nó không cần hiểu. Nó chỉ cần khớp.

Điều đáng chú ý là bộ phân loại ấy không hoàn toàn ngây thơ. Nó đã phân loại đúng phần lớn các văn bản khác. Nó chỉ sai ở đúng cái dòng mà sự trùng lặp từ vựng đủ dày để vượt ngưỡng. Và trong một pipeline quét hàng nghìn nguồn mỗi ngày, một dòng sai là chuyện bình thường. Cái không bình thường là không ai bắt được nó.

Tôi từng chứng kiến điều tương tự trong một dự án nhỏ hơn. Một bản tin về chuyển nhượng của một câu lạc bộ hạng dưới bị gộp chung vào tập dữ liệu của một giải lớn chỉ vì trùng tên viết tắt. Kết quả là mô hình định giá của chúng tôi đẩy giá một cầu thủ trẻ lên cao bất thường trong hai tuần, cho tới khi tôi phát hiện ra nguồn gốc của sự nhiễu loạn. Kể từ đó, tôi đặt ra một nguyên tắc: mọi dòng dữ liệu bước vào mô hình đều phải có xuất xứ truy vết được.

Nghe thì nhỏ. Một dòng lạc trong hàng nghìn dòng. Nhưng đường đi của nó mới là điều đáng nói.

Nếu dòng dữ liệu ấy lọt vào tập huấn luyện của một mô hình xG, nó không trực tiếp tạo ra một cú sút. Nó làm loãng tương quan giữa các biến. Mô hình học rằng một số từ ngữ và tên riêng nhất định đi kèm với các tình huống bóng đá, trong khi thực tế chúng chỉ đi kèm với các phiên tòa. Sai số ấy nhỏ tới mức khó phát hiện ở từng dự đoán, nhưng nó tích tụ.

Nếu dòng dữ liệu ấy lọt vào hệ thống theo dõi tin đồn chuyển nhượng, nó có thể tạo ra một cái tên không tồn tại. Một cầu thủ mới được sinh ra từ một lỗi chính tả, một danh từ riêng bị nhận nhầm là tên người. Trong kỳ chuyển nhượng, nơi mỗi đồng tiền đều để lại dấu vết, một cái tên ma có thể làm nhiễu cả một bảng định giá.

Nếu dòng dữ liệu ấy lọt vào mô hình phân tích cảm xúc, nó kéo lệch điểm tâm lý của một đội bóng vì những từ ngữ tiêu cực từ một phiên tòa được tính vào ngữ cảnh của câu lạc bộ đó. Điểm cảm xúc tụt. Nhà đầu tư đọc biểu đồ. Và không ai biết rằng nguyên nhân là một bản tin cách đó nửa vòng trái đất.

Trong ngành cá cược, sai số loại này đắt hơn nhiều. Các mô hình xác suất ở đó nhạy với từng điểm phần trăm. Một tập dữ liệu bị nhiễu có thể đẩy tỷ lệ cược lệch khỏi giá trị thực, và thị trường sẽ sửa sai bằng tiền của những người không biết mình đang giao dịch dựa trên rác.

Điều khiến tôi khó chịu nhất không nằm ở bản thân lỗi. Nó nằm ở tốc độ. Một bộ phân loại sai có thể gán nhầm hàng trăm văn bản trước khi có người mở bảng kiểm tra ra xem. Con người kiểm tra chậm. Máy móc nhân bản lỗi nhanh. Khoảng cách giữa hai tốc độ ấy chính là khoảng trống mà dữ liệu bẩn sinh sôi.

Khi phát hiện dòng dữ liệu lạc, phản xạ đầu tiên của một người làm dữ liệu non kinh nghiệm là xóa nó đi và tiếp tục. Phản xạ đúng là dừng lại và hỏi ba câu: dữ liệu này đến từ đâu, nó bị nhiễu ở đâu, và nó đã đi qua bao nhiêu mô hình trước khi tôi nhìn thấy nó.

Với hồ sơ này, tôi chạy một cuộc kiểm toán đầy đủ. Tôi đếm thực thể. Tôi phân loại từng điểm thông tin. Tôi dựng lại đường đi của văn bản từ nguồn gốc tới tầng mô hình. Kết quả: mười bảy điểm thông tin, không một thực thể bóng đá, sáu thực thể pháp lý trở lên. Không đội bóng. Không cầu thủ. Không huấn luyện viên. Không giải đấu. Không cơ quan quản lý bóng đá nào.

Cuộc kiểm toán ấy không phải là một nghi thức hành chính. Nó là cách duy nhất để biến một nghi ngờ thành một kết luận có thể hành động. Nếu tôi chỉ nói rằng dòng này trông lạ, tôi chẳng giúp được ai. Nếu tôi nói rằng dòng này chứa số không thực thể bóng đá, và nhãn của nó mâu thuẫn với nội dung, thì người vận hành pipeline có thể sửa hệ thống.

Bài học ở đây vượt ra ngoài một dòng dữ liệu. Nó nói rằng tầng phân loại cần một lớp kiểm tra đối chiếu giữa nhãn và nội dung. Một bộ lọc đơn giản: nếu một văn bản mang nhãn bóng đá nhưng chứa ít hơn một ngưỡng thực thể bóng đá nào đó, nó phải bị chặn lại để con người xem xét. Chi phí của bộ lọc ấy nhỏ. Chi phí của việc không có nó thì không.

Điều trớ trêu là tôi bước vào nghề này vì tin rằng con số có thể sửa được những sai lầm của mắt thường. Năm 2026, khi còn làm cố vấn thống kê cho một đội bóng nhỏ ở vùng Rhône, tôi viết một bài về trận Lyon thắng Marseille 3-2. Trên bảng tỷ số, Lyon thắng. Trong dữ liệu, Marseille tạo ra chất lượng cơ hội cao hơn: xG 2,3 so với 1,6. Tôi lập luận rằng Lyon thắng sai. Bài viết gây tranh cãi, và tôi bị không ít người chế giễu. Nhưng dữ liệu không đổi. Nó vẫn ở đó, chờ người đọc đúng.

Một năm sau, tại World Cup 2026, tôi viết trước trận Pháp gặp Argentina. Từ kinh nghiệm theo dõi trực tiếp các trận đấu của tôi ở Lyon và Marseille, tôi nhận ra một mẫu hình lặp lại: Argentina để mặc đối phương ép sân với PPDA 8,2, trong khi Pháp duy trì 11,7. Tôi dự đoán Pháp thắng. Trận đấu kết thúc 4-3 đúng như kịch bản mà dữ liệu đã vạch ra trước khi bóng lăn. Kylian Mbappé, Antoine Griezmann, Benjamin Pavard bên phía Pháp; Ángel Di María và Sergio Agüero bên phía Argentina; tất cả đều là những cái tên mà mô hình đã xếp vào đúng ngữ cảnh của họ.

Hai câu chuyện ấy dạy tôi một điều giống nhau. Một con số chỉ đúng khi nó được đặt đúng chỗ. xG 2,3 chỉ có nghĩa khi ta biết nó thuộc về trận Marseille tạo cơ hội. PPDA 8,2 chỉ có nghĩa khi ta biết nó thuộc về Argentina trong một trận cụ thể. Cùng một con số, đặt nhầm trận, đặt nhầm đội, đặt nhầm lĩnh vực, sẽ trở thành một lời nói dối hoàn hảo, bởi vì nó không hề nói dối, nó chỉ đứng sai chỗ.

Dòng dữ liệu tòa án kia cũng vậy. Nó không giả mạo điều gì. Nó chỉ bị đặt sai chỗ. Và một khi đã nằm sai chỗ trong một pipeline tự động, nó sẽ lan ra theo cách mà không ai kịp nhìn thấy.

Trong nhiều năm, ngành của tôi bán cho khán giả một ý niệm đơn giản: chạy nhiều là nỗ lực. Quãng đường di chuyển và số lần bứt tốc được đóng gói thành chỉ số tinh thần, thành thước đo khát khao. Nhưng ai từng đứng trên đường biên đều biết rằng chạy vô hiệu vẫn tạo ra những con số đẹp. Một cầu thủ đuổi theo bóng mà không bao giờ tới kịp vẫn cộng thêm hàng trăm mét vào bảng thống kê cuối trận.

Năm 2026, khi bóng đá toàn cầu dừng lại và mùa giải trở nên cô độc, tôi thiết kế lại toàn bộ giáo án tập luyện cho Lyon dựa trên GPS và chỉ số tải. Số chấn thương cơ giảm từ 12 xuống còn 5. Thành tích ấy khiến tôi trở nên cứng nhắc tới mức tôi từng ra lệnh cầu thủ phải đạt ngưỡng tải 120% mới được coi là hoàn thành buổi tập. Chính sự cứng nhắc ấy dạy tôi rằng một chỉ số tốt có thể trở thành một cái bẫy tồi nếu nó bị tách khỏi ngữ cảnh.

Điều đó liên quan trực tiếp tới câu chuyện gán nhãn. Một con số GPS đúng, đặt trong một mùa giải đúng, nói lên sự thật về tải vận động. Cùng con số ấy, đặt nhầm cầu thủ, nhầm trận, nhầm mùa, sẽ kể một câu chuyện sai hoàn toàn. Sự thật của dữ liệu không nằm ở con số. Nó nằm ở mối dây nối giữa con số và bối cảnh của nó. Và mối dây nối ấy chính là cái nhãn.

Tỷ lệ kiểm soát bóng là chỉ số lừa dối nhất mà ngành này sản xuất ra. Một đội cày 60% thời lượng bóng bằng những đường chuyền ngang vô nghĩa giữa hai trung vệ sẽ được truyền thông mô tả là làm chủ trận đấu. Nhưng nếu bạn đặt cạnh tỷ lệ ấy một chỉ số chất lượng cơ hội, bạn sẽ thấy khoảng cách giữa quyền sở hữu bóng và quyền kiểm soát trận đấu.

Cùng một logic áp dụng cho câu chuyện gán nhãn. Nhãn bóng đá giống như tỷ lệ kiểm soát bóng: nó nói rằng văn bản thuộc về một thế giới, nhưng nó không chứng minh rằng văn bản làm được gì trong thế giới ấy. Một văn bản có thể mang nhãn bóng đá mà không đóng góp một đơn vị thông tin bóng đá nào. Nó sở hữu cái nhãn, nhưng không sở hữu nội dung.

Trong thể thao điện tử, đồng nghiệp của tôi cũng gặp một ảo giác tương tự. Khán giả say mê những pha combat tổng rực rỡ và tin rằng đó là dấu hiệu của một trận đấu đẳng cấp. Nhưng nhìn ở tầm vĩ mô, thứ quyết định cục diện thường là kiểm soát tầm nhìn và nhịp độ, những thứ gần như vô hình trên bảng điểm. Cái hào nhoáng che khuất cái quyết định. Đó là một quy luật chung của mọi môn thể thao dựa trên dữ liệu, và nó cũng là quy luật của chính các pipeline dữ liệu: cái nhãn hào nhoáng che khuất cái nội dung trống rỗng.

Ở đây, phản xạ tự nhiên là đổ lỗi cho thuật toán. Tôi cho rằng đó là kết luận vội vàng nhất và cũng sai lầm nhất.

Bộ phân loại không tự sinh ra nhãn bóng đá cho một văn bản pháp luật. Nó chỉ làm đúng việc mà con người đã dạy nó: khớp từ ngữ, cộng tần suất, vượt ngưỡng. Lỗi thực sự nằm ở niềm tin mù quáng vào một tầng dữ liệu chưa từng được kiểm toán. Không ai trong chuỗi vận hành dừng lại để hỏi một câu đơn giản: nhãn này có khớp với nội dung không?

Và nếu chúng ta công bằng, các nhà báo truyền thống cũng mắc đúng loại lỗi phân loại ấy, chỉ khác ở chỗ nó xảy ra trong đầu họ thay vì trong máy. Họ gọi một đội cầm bóng 60% là đang kiểm soát thế trận mà không mở bảng chất lượng cơ hội ra xem. Họ gán nhãn khủng hoảng cho một chuỗi ba trận không thắng mà không kiểm tra xem dữ liệu tiến trình có ủng hộ kết luận ấy không. Sự khác biệt duy nhất là tốc độ nhân bản sai lầm: máy làm nhanh hơn, nhưng con người làm trước.

Tương quan không phải nhân quả. Một từ khóa trùng nhau không tạo ra một lĩnh vực. Một nhãn đúng ngữ pháp không tạo ra một sự thật. Và một pipeline chạy trơn tru không chứng minh rằng nó đang chạy đúng. Đó là lý do tôi không bao giờ chấp nhận câu trả lời rằng hệ thống của chúng tôi tự động xử lý. Tự động không có nghĩa là đúng. Nó chỉ có nghĩa là sai lầm được nhân lên mà không cần ai ký tên. Số liệu không bao giờ nói dối, nhưng nó biết cách giấu mình. Nhiệm vụ của chúng ta là bắt nó phải khai.

Trong kỳ chuyển nhượng này, khi mọi phòng phân tích đang chạy đua để biến tiếng ồn thành tín hiệu, tôi sẽ theo dõi một chỉ số ít ai để ý: tỷ lệ mâu thuẫn giữa nhãn và nội dung trong chính các nguồn cấp dữ liệu của mình. Nếu tỷ lệ ấy vượt ngưỡng, tôi biết rằng tầng phân loại đang nói dối, và mọi kết luận phía sau đều đáng ngờ. Tôi dự đoán rằng làn sóng nhiễu tiếp theo sẽ không đến từ những dòng dữ liệu thô, mà từ những dòng dữ liệu đã được làm sạch một cách vội vàng, bởi vì kẻ thù nguy hiểm nhất của một mô hình không phải là dữ liệu bẩn, mà là dữ liệu bẩn đội lốt dữ liệu sạch. Ai kiểm toán được cái lốt ấy, người đó thắng.